論文の概要: Convergence-Latency-Aware Adaptive Modulation and Resource Allocation in RIS-Assisted Wireless Federated Learning
- arxiv url: http://arxiv.org/abs/2607.19759v1
- Date: Wed, 22 Jul 2026 05:09:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.980355
- Title: Convergence-Latency-Aware Adaptive Modulation and Resource Allocation in RIS-Assisted Wireless Federated Learning
- Title（参考訳）: RIS支援無線フェデレーション学習における収束レイテンシを考慮した適応変調と資源配分
- Abstract要約: 無線ネットワーク上でのフェデレーション学習は、信頼性の低い無線伝送によるトレーニング遅延と劣化した収束に悩まされる。
本稿では、RIS支援ブロッキングリンク伝搬シナリオ下での無線FLシステムについて考察する。
アップロードした局所勾配に対するシンボル誤差の影響を特徴付けることにより、FL損失減衰に対するシンボル誤り率(SER)の影響を明らかにする収束関連上界を導出する。
- 参考スコア（独自算出の注目度）: 36.8694764886586
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) over wireless networks suffers from significant training latency and degraded convergence due to unreliable wireless transmission, especially under blocked propagation environments. Although reconfigurable intelligent surfaces (RISs) can improve communication reliability, existing wireless FL studies rarely characterize the trade-off between learning convergence and communication delay under modulation-dependent transmission errors. In this paper, we consider a wireless FL system operating under RIS-assisted blocked-link propagation scenarios, and focus on adaptive modulation and sub-channel allocation for convergence-latency aware communication design. By characterizing the effect of symbol errors on uploaded local gradients, we derive a convergence-related upper bound that reveals the impact of symbol error rate (SER) on FL loss decay. Based on this result, we formulate a joint convergence-latency optimization problem, which is cast as a mixed-integer nonlinear programming (MINLP) problem, and solve it using a low-complexity hybrid alternating optimization framework. Extensive experiments on MNIST, CIFAR-10, and Speech Commands show that the proposed scheme consistently achieves faster convergence and higher test accuracy than existing adaptive communication schemes, especially in complex tasks and challenging wireless scenarios.
- Abstract（参考訳）: 無線ネットワーク上でのフェデレーション学習(FL)は、特にブロックされた伝搬環境下では、信頼性の低い無線伝送によるトレーニング遅延と劣化した収束に悩まされる。
再構成可能なインテリジェントサーフェス(RIS)は通信信頼性を向上させることができるが、既存の無線FL研究では、変調依存の伝送エラー下での学習収束と通信遅延のトレードオフを特徴付けることは滅多にない。
本稿では,RIS支援ブロッキングリンク伝搬シナリオ下で動作する無線FLシステムについて考察し,コンバージェンスを考慮した通信設計のための適応変調とサブチャネルアロケーションに着目した。
アップロードした局所勾配に対するシンボル誤差の影響を特徴付けることにより、FL損失減衰に対するシンボル誤り率(SER)の影響を明らかにする収束関連上界を導出する。
この結果に基づいて、混合整数非線形プログラミング(MINLP)問題としてキャストされる結合収束レイテンシ最適化問題を定式化し、低複雑さハイブリッド交互最適化フレームワークを用いて解決する。
MNIST, CIFAR-10, 音声コマンドの広範な実験により, 提案手法は既存の適応通信方式, 特に複雑なタスクや無線シナリオにおいて, より高速な収束と高いテスト精度を実現していることがわかった。
関連論文リスト
- Resilient Decentralized Wireless Federated Learning via Gradient Tracking with AdamW [41.35060510410376]
本稿では,無線通信(WCom)ネットワーク上でのDecLの通信効率と耐障害性を示すQEF-GT-AdamWを提案する。
我々は,帯域幅,送信電力,空調制約,フェードチャネルがDecL性能に与える影響を明示的にモデル化し,圧縮・信頼性の低い無線通信において提案アルゴリズムの収束保証を確立する。
論文 参考訳（メタデータ） (2026-08-26T08:46:46Z) - Prioritizing Gradient Sign Over Modulus: An Importance-Aware Framework for Wireless Federated Learning [72.18619424901249]
Sign-Prioritized FL (SP-FL) は、不均一なリソース割り当てを通じて重要な勾配情報の送信を優先するフレームワークである。
本稿では,Newton-Raphson 法と逐次凸近似 (SCA) を用いて,この問題を解決するための交互最適化アルゴリズムを提案する。
シミュレーションの結果,特に資源制約シナリオにおけるSP-FLの優位性が確認された。
論文 参考訳（メタデータ） (2026-03-11T13:41:02Z) - MFC-RFNet: A Multi-scale Guided Rectified Flow Network for Radar Sequence Prediction [7.015114232190396]
レーダエコーシークエンスからの正確な高分解能降水は、災害軽減と経済計画に不可欠である。
鍵となる課題は、複雑なマルチスケール進化のモデル化、変位に起因するフレーム間特徴の不整合、長距離コンテキストの効率的なキャプチャである。
本稿では,MFRF-Net(Multiscale Feature Communication Rectified Flow Network)を提案する。
論文 参考訳（メタデータ） (2026-01-07T06:24:26Z) - Straggler-Resilient Federated Learning over A Hybrid Conventional and Pinching Antenna Network [13.50794408418408]
無線ネットワーク対応学習(FL)におけるピンチアンテナの活用は、FLの一般的な「ストラグラー」問題を効果的に緩和することができる。
通信効率を大幅に向上させるために, 従来型ピンチアンテナネットワーク(HCPAN)を提案する。
論文 参考訳（メタデータ） (2025-08-17T17:09:42Z) - Lightweight Federated Learning over Wireless Edge Networks [83.4818741890634]
Federated (FL) はネットワークエッジの代替品であるが、無線ネットワークでは代替品である。
閉形式式FL収束ギャップ伝送パワー,モデルプルーニング誤差,量子化を導出する。
LTFLは、実世界のデータセットの実験において最先端のスキームよりも優れている。
論文 参考訳（メタデータ） (2025-07-13T09:14:17Z) - Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。
本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
論文 参考訳（メタデータ） (2025-07-12T17:11:06Z) - Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。
既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。
本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
論文 参考訳（メタデータ） (2025-01-20T04:26:21Z) - Joint Model Pruning and Resource Allocation for Wireless Time-triggered Federated Learning [31.628735588144096]
タイムトリガー付きフェデレーション学習は、一定時間間隔に基づいてユーザーを階層に編成する。
無線時間トリガーシステムにモデルプルーニングを適用し、プルーニング比と帯域幅割り当ての最適化に関する問題を共同研究する。
提案するTT-Pruneは,モデルプルーニングを伴わない非同期多層FLと比較して,通信コストを40%削減することを示した。
論文 参考訳（メタデータ） (2024-08-03T12:19:23Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。